施蔚青，劉洪兵，何四平

(云南電網有限責任公司培訓與評價中心,云南 昆明 650221)

電力企業(yè)負責安全管理工作的監(jiān)理人員的素質參差不齊，安全管理觀念淡薄，存在僥幸思想，并沒有按照安全管理規(guī)章制度深入施工現(xiàn)場進行監(jiān)督與檢查，電力施工作業(yè)現(xiàn)場區(qū)域作業(yè)人員多，持續(xù)作業(yè)時間長，容易出現(xiàn)現(xiàn)場作業(yè)人員不按要求佩戴安全帽、穿戴個人防護用品等典型違章現(xiàn)象[1-3]。

最初監(jiān)理人員現(xiàn)場監(jiān)督單純依靠人力進行著裝監(jiān)管，工作量大，易出現(xiàn)監(jiān)管注意力不集中等人為因素失誤，該類違章行為所占比率較高，給安全生產造成巨大的人身安全隱患[4]。后來通過視頻進行施工現(xiàn)場的監(jiān)控，發(fā)現(xiàn)大量的無法全面暴露和防止的該類典型違章現(xiàn)象。智能視頻監(jiān)控系統(tǒng)可以輔助分析著裝，并對安全進行監(jiān)督，同時可通過圖像識別技術對現(xiàn)場著裝違章行為進行實時報警，顯著提升安全監(jiān)管效率，減少對監(jiān)理人員的依賴，同時還能大大降低作業(yè)現(xiàn)場的安全風險，提升電網企業(yè)的社會效益[5-7]。

本文針對目前國內電力行業(yè)缺乏作業(yè)人員管理規(guī)范體系與具體保障措施的問題，提出了基于視頻圖像識別的著裝規(guī)范性技術，幫助現(xiàn)場監(jiān)理人員管控施工人員不安全行為，提高電力作業(yè)現(xiàn)場安全施工管理水平。

1 基于視頻圖像的著裝規(guī)范性識別方法

1.1 顏色模型的選擇

HSV(hue, saturation, value)是一種顏色空間模型，其能夠非常直觀地表達色彩的明暗、色調以及鮮艷程度，方便進行顏色之間的對比，也方便感情的傳達，因此HSV模型適合用于與人類視覺感知相關的自然圖像的處理。在對電力施工現(xiàn)場視頻圖像的處理中，需要把RGB(red, green, blue)顏色空間模型轉換為HSV顏色空間模型，然后再提取色調H、飽和度S、亮度V通道圖像進行操作。設V′=max(R,G,B)，其中R,G,B分別代表RGB顏色空間模型中紅色、綠色、藍色分量，定義R′,G′,B′分別為[8]：

(1)

(2)

(3)

那么有V=V′/255，S=[V′-min(R,G,B)]/V′，H′定義為：

(4)

1.2 提取HOG特征

本文利用支持向量機(support vector machine，SVM)根據特征建立分類器，分類器用于電力施工現(xiàn)場圖像識別，因此特征提取是著裝規(guī)范性識別中最關鍵的環(huán)節(jié)之一，提取具有鑒別意義的特征對準確檢測電力現(xiàn)場作業(yè)人員規(guī)范施工起著重要作用。HOG(histogram of oriented gradient)是一種在計算機視覺和圖像處理中用來進行模板檢測的特征描述子[9]。HOG特征提取過程如下。

1)輸入圖像：將Image圖像灰度化。

2)標準化Gamma空間和顏色空間：將圖像進行歸一化，可以減少光照因素的影響，而歸一化分為Gamma空間和顏色空間的歸一化。歸一化還可以避免在圖像紋理強度中出現(xiàn)局部曝光過大情況。因此，通過對圖像歸一化處理能夠有效降低圖像局部的陰影與光照變化，提高檢測器的性能。圖像一般省略顏色信息，將其轉化為灰度圖。

3)計算像素梯度：計算圖像I橫向和縱向的梯度，并據此計算每個像素位置的梯度方向值，進一步弱化光照的影響。圖像I的梯度I為[10]:

(5)

式中：x和y分別表示橫向和縱向。

利用偏導函數(shù)將沿x和y方向的梯度表示為：

(6)

(7)

利用圖像的梯度映射，可得到梯度幅值S和梯度方向θ:

(8)

(9)

式中：Sx，Sy分別為橫向和縱向的梯度。

4) 統(tǒng)計單元內梯度直方圖：梯度方向θ為[0,360°]，將其劃分成n個bins，實驗證明，在bins劃分過程中，bins的數(shù)量一般取9個左右效果最好，因此本文將一個圖像分成9個部分，每一部分區(qū)間對應于一個bin值。

5) 把細胞單元cell組合成大的塊，歸一化梯度直方圖：局部光照與背景對比度的變化，使得梯度強度的變化范圍很大，需要歸一化塊，進一步對光照、陰影和邊緣進行壓縮。

6) 生成HOG特征向量：將檢測窗口中所有的塊進行HOG特征收集，獲取最終特征向量供分類使用。

綜上，HOG特征提取示意圖如圖1所示。

圖1 HOG特征提取示意圖

1.3 提取LBP特征

局部二值模式(local binary pattern，LBP)特征是一種灰度范圍內的紋理度量，其工作思想為：在3像素×3像素的鄰域內，以鄰域中心像素的灰度值為閾值，將相鄰的8個像素的灰度值與鄰域中心的像素值進行比較，得到鄰域中心像素的LBP值，具體為：

(10)

式中：(xc,yc)為鄰域中心點；pc為鄰域中心點的灰度值；pi為鄰域第i個像素的灰度值；N為鄰域的像素數(shù)量；s表示符號函數(shù)，如果像素值pi>pc，則s(pi-pc)=1，否則s(pi-pc)=0。

1.4 HOG和LBP特征的融合

在實際監(jiān)測場景中，HOG特征對于行人較多的圖像和人物特征不明顯的圖像分辨能力較差，且很容易受到外部環(huán)境因素的干擾，如光照強度、陰影以及遮擋的影響。因此，針對HOG特征魯棒性差的缺點，本文將LBP特征與HOG特征進行融合，既融合了多種特征的有效鑒別信息，又消除了大部分冗余信息，從而實現(xiàn)了信息的壓縮，節(jié)約了信息存儲空間，彌補了HOG特征梯度特性導致特征維數(shù)高、未描述圖像紋理特征、對于梯度空間特性描述不佳和光照魯棒性較差的缺點。

1.5 支持向量機

設樣本的訓練集為{xi,yi}，i=1,2,…,n，n為訓練集樣本數(shù)量，xi為輸入向量，yi為輸出向量，利用非線性映射將輸入向量映射到高維特征空間，構造最優(yōu)線性分類函數(shù)[11-12]:

f(x)=w·φ(x)+b

(11)

式中：w為權值向量；b為偏置向量；φ(x)表示線性分類函數(shù)。

式(11)可以等價下面的優(yōu)化問題求解：

(12)

相應的約束條件為

(13)

式中：ε為分類誤差。

引入拉格朗日函數(shù)，將上述約束優(yōu)化問題轉化為無約束優(yōu)化問題：

(14)

SVM的最優(yōu)線性分類函數(shù)為：

(15)

根據Mercer條件，定義核函數(shù)k(xi,x)，則SVM的最優(yōu)線性分類函數(shù)為：

(16)

1.6 基于視頻圖像的著裝規(guī)范性識別原理

基于視頻圖像的著裝識別原理為：首先對電力作業(yè)現(xiàn)場視頻圖像進行預處理，并對電力作業(yè)現(xiàn)場人員著裝色塊進行提取和轉化，獲取二值圖像中灰度等級，利用黑色和白色像素點分布判定作業(yè)人員是否身著安全帽、安全帶、工作服和工作褲；然后從電力施工監(jiān)理視頻圖像提取HOG特征和LBP特征；最后將特征向量作為SVM的輸入向量，通過SVM的訓練和學習，建立著裝規(guī)范性識別的分類器，采用分類器進行著裝規(guī)范性識別。具體如圖2所示。

圖2 基于視頻圖像的著裝規(guī)范性識別原理

2 著裝規(guī)范性識別的仿真測試

2.1 本文方法的有效性測試

為驗證上述方法的適應能力和準確性，招募20位電力施工工人，依次進行著裝識別，主要是對帽子、安全帶、衣服、長褲等著裝進行識別，以安全帶穿戴情況作為測試對象，得到測試結果如圖3所示。對未穿戴安全帶，本文方法的識別準確率大約為92.72%；對穿戴安全帶，本文方法的識別準確率大約為99.99%。識別準確率遠遠高于電力施工作業(yè)現(xiàn)場安全的實際要求，測試結果驗證了本文方法對著裝規(guī)范性識別的有效性。

圖3 安全帶識別

2.2 本文方法的優(yōu)越性測試

為了測試基于視頻圖像的著裝規(guī)范性識別方法的優(yōu)越性，選擇單一HOG特征和LBP特征進行對比測試，選擇帽子、安全帶、衣服、長褲等穿戴是否規(guī)范作為測試對象，統(tǒng)計它們的識別準確率，結果如圖4所示。從圖4可以發(fā)現(xiàn)，相對于單一HOG特征和LBP特征，本文方法的識別準確率大幅度提升，減少了著裝規(guī)范性識別錯誤概率，這是因為本文方法融合了HOG特征和LBP特征的優(yōu)點，從兩個方面描述了著裝規(guī)范性特征，獲得了更優(yōu)的著裝規(guī)范性識別結果。

圖4 不同方法的著裝規(guī)范性識別準確率對比

3 結束語

本文研究了適合人類視覺的 HSV顏色空間模型，提出了一種基于視頻圖像的著裝規(guī)范性識別方法，該方法結合 SVM分類器對目標視頻或圖像進行識別，由于識別目標的區(qū)域具有不同的局部結構，而且顏色差異較大，從而提高了 SVM分類器對局部被遮擋圖像的魯棒性。在HOG特征提取的基礎上，結合LBP特征來提高視頻圖像局部紋理特征的識別，基于HOG與LBP融合特征的視頻圖像檢測算法，彌補了HOG未描述圖像紋理特征、對梯度空間描述不佳的問題，提高了復雜場景下人物特征不明顯的目標檢測準確率，且消除了HOG特征帶來的大部分冗余信息，而HOG與LBP融合特征檢測算法采用了統(tǒng)一的LBP模式算子，有效地減少了計算量與計算時間，從而實現(xiàn)了檢測算法的效率提升。